چکیده

در بازارهای مالی، داشتن چند دارایی متفاوت لزوما به معنای تنوع‌بخشی واقعی نیست؛ چرا که اگر قیمت این دارایی‌ها در یک جهت حرکت کنند، ریسک سبد دارایی همچنان متمرکز باقی می‌ماند. همبستگی قیمتی (Price Correlation) ابزاری آماری است که میزان حرکت مشترک دو جفت‌ارز را اندازه‌گیری می‌کند و به معامله‌گر نشان می‌دهد آیا تغییرات آن‌ها به یکدیگر وابسته است یا رفتاری مستقل دارند. شناخت سازوکار این وابستگی به سرمایه‌گذاران کمک می‌کند تا خطرات پنهان تصمیمات مالی خود را مدیریت کرده و سبدی متعادل با نوسانات کنترل‌شده بسازند.

همبستگی قیمتی (Correlation) چیست و رفتار هم‌جهت یا متضاد جفت‌ارزها چگونه تعریف می‌شود؟

همبستگی قیمتی یک معیار آماری برای سنجش شدت و جهت حرکت مشترک دو دارایی در یک بازه زمانی مشخص است. این سنجه به تحلیل‌گران نشان می‌دهد که آیا بازدهی دو جفت‌ارز تمایل دارند در یک جهت حرکت کنند، در جهت معکوس یکدیگر جابه‌جا شوند یا اینکه رفتار نوسانی آنها هیچ‌گونه هم‌پوشانی معناداری با یکدیگر ندارد. برای تحلیل اصولی سبد سرمایه‌گذاری و اجرای موفق معاملات، همیشه تغییرات درصدی یا بازدهی (Returns) دارایی‌ها مبنای مقایسه قرار می‌گیرد و نه قیمت‌های اسمی خام؛ زیرا ممکن است دو ارز دیجیتال از لحاظ قیمت دلاری یا ریالی تفاوت عددی بسیار زیادی با یکدیگر داشته باشند، اما نوسانات درصدی آن‌ها در طول زمان هماهنگ باشد.

پژوهش‌های مالی مدرن نیز در بررسی حرکت مشترک دارایی‌ها بر همبستگی بازدهی تکیه می‌کنند، چرا که تکیه بر خود قیمت‌ها می‌تواند خطاهای مقیاسی بزرگی در مدل‌سازی‌های تحلیلی ایجاد کند. اگر دو دارایی قیمت‌های اسمی متفاوتی داشته باشند اما نمودار درصدی سود و زیان روزانه آن‌ها شبیه به هم باشد، ریسک بنیادی آن‌ها یکسان خواهد بود. رفتار متقابل میان جفت‌ارزها را بر همین اساس می‌توان در قالب سه وضعیت همبستگی مثبت، همبستگی منفی و همبستگی خنثی تعریف کرد.

چشم‌انداز اتریوم روزی را تصور کنید که بتوانید در سود یک فیلم هالیوودی شریک شوید! روزی که دنیا حول محور اتریوم می‌چرخد...

روزی را تصور کنید که بتوانید در سود یک فیلم هالیوودی شریک شوید! روزی که دنیا حول محور اتریوم می‌چرخد...

2:49 | 00:00

100

برای گوش دادن به پادکست‌های بیشتر کلیک کنید.

شنیدن پادکست

رفتار هم‌جهت جفت‌ارزها؛ همبستگی مثبت

وقتی دو جفت‌ارز هم‌جهت حرکت می‌کنند، یعنی افزایش قیمت یکی معمولا با افزایش دیگری و کاهش یکی با کاهش دیگری همراه است، بازار شاهد وضعیت همبستگی مثبت (Positive Correlation) است. در این ساختار تحلیلی، مقدار ضریب همبستگی محاسبه‌شده همواره عددی مثبت و بزرگ‌تر از صفر به دست می‌آید. هر اندازه این مقدار عددی به سمت ۱+ متمایل شود، رابطه خطی مستقیم میان دو دارایی مستحکم‌تر و منظم‌تر ارزیابی می‌شود، به طوری که عدد ۱+ نمایانگر همبستگی مثبت کامل است.

به عنوان مثال، اگر در یک دوره زمانی مشخص، بازدهی روزانه بیت کوین (BTC) و بازدهی روزانه اتریوم (ETH) هم‌زمان روندی افزایشی یا کاهشی ثبت کنند، ضریب همبستگی میان این دو جفت‌ارز مثبت خواهد بود. البته این همبستگی مثبت الزاما به معنای یکسان بودن درصد سودآوری دو دارایی نیست؛ ممکن است در یک روز معین بیت‌کوین پنج درصد صعود کند در حالی که اتریوم تنها دو درصد رشد را به ثبت برساند. تا زمانی که الگوی هم‌راستایی حرکات در تعداد زیادی از مشاهدات تکرار شود، رابطه مثبت میان بازدهی آن‌ها برقرار خواهد ماند.

رفتار متضاد جفت‌ارزها؛ همبستگی منفی

در نقطه مقابل، اگر افزایش بازدهی یک دارایی با کاهش بازدهی دارایی دیگر همراه شود، رابطه‌ای واگرا و معکوس شکل گرفته که به آن همبستگی منفی (Negative Correlation) گفته می‌شود. در چنین موقعیتی، مقدار ضریب همبستگی کوچک‌تر از صفر خواهد بود و به سمت ۱- حرکت می‌کند. مقدار ۱- نشان‌دهنده همبستگی منفی کامل است؛ یعنی داده‌های معاملاتی دو دارایی روی یک خط معکوس نوسان می‌کنند و رفتار یکی درست نقطه مقابل دیگری است.

از دیدگاه اصولی مدیریت ریسک، شناسایی جفت‌ارزهایی با همبستگی منفی یا بسیار پایین اهمیت فوق‌العاده‌ای دارد؛ زیرا وجود دارایی‌هایی با رفتار ناهم‌سو می‌تواند به کاهش نوسان کلی سبد و حفظ سرمایه در شرایط بحرانی کمک کند. با وجود این، معامله‌گران نباید همبستگی منفی را یک پدیده همیشگی و دائمی تصور کنند؛ زیرا جریان‌های نقدی و رویدادهای کلان در بازار ارزهای دیجیتال ممکن است ماهیت رابطه میان دارایی‌ها را در طول چرخه‌های مختلف اقتصادی تغییر دهد.

همبستگی صفر چه معنایی دارد؟

هنگامی که ضریب همبستگی محاسبه‌شده نزدیک به عدد صفر باشد، میان دو متغیر رابطه خطی قابل توجهی مشاهده نمی‌شود. این وضعیت به این مفهوم نیست که این دو ارز دیجیتال هیچ‌گونه پیوندی با یکدیگر ندارند؛ بلکه به این معنا است که مدل‌های خطی توانایی تشخیص رابطه میان آن‌ها را ندارند و رابطه حاکم بر آن‌ها ممکن است شکلی غیرخطی یا پیچیده داشته باشد.

به همین علت، یک معامله‌گر حرفه‌ای نباید صرفا با دیدن یک عدد نزدیک به صفر در محاسبات نتیجه بگیرد که دو دارایی به طور کامل از یکدیگر مستقل هستند. پژوهش‌های آماری در این بازار نشان داده‌اند که معیارهای مختلف وابستگی، از جمله ضریب پیرسون و ضریب اسپیرمن، ممکن است تصاویر متفاوتی از درجه ارتباط میان دارایی‌ها ارائه دهند؛ بنابراین تکیه تک‌بعدی بر عدد صفر می‌تواند گمراه‌کننده باشد.

ضریب همبستگی پیرسون؛ راهنمای گام‌به‌گام خواندن اعداد بین ۱+ تا ۱–

ضریب همبستگی پیرسون (Pearson Correlation Coefficient) که معمولا با نماد r در ادبیات آمار نمایش داده می‌شود، معیاری برای سنجش جهت و شدت رابطه خطی میان دو متغیر پیوسته است. مقدار این ضریب همواره در بازه بسته میان اعداد ۱- تا ۱+ قرار می‌گیرد. علامت ضریب نشان‌دهنده جهت رابطه است، در حالی که فاصله قدر مطلق آن از نقطه صفر، قدرت و انسجام رابطه خطی را به تصویر می‌کشد.

برای معامله‌گری که به دنبال پیاده‌سازی متدهای نوین تحلیل سبد سرمایه است، ارزیابی مقایسه‌ای بازدهی روزانه دارایی‌ها با استفاده از این ضریب، مسیر بهینه‌سازی دارایی‌ها را هموار می‌سازد. هر اندازه قدر مطلق r به عدد یک نزدیک‌تر باشد، حرکت خطی دارایی‌ها منسجم‌تر است. برای تفسیر دقیق این اعداد، بازه‌های عددی استاندارد زیر تعریف شده‌اند:

۱. ضریب ۱+؛ همبستگی مثبت کامل: اگر مقدار r برابر با ۱+ شود، دو دارایی دارای رابطه خطی مثبت کامل هستند؛ یعنی هر میزان تغییر در یک دارایی، با تغییری کاملا متناسب و هم‌راستا در دارایی دوم همراه است. در بازارهای مالی واقعی وقوع چنین عددی فوق‌العاده نادر است.

۲. اعداد نزدیک ۱+؛ همبستگی مثبت قوی: چنانچه ضریب بین ۰٫۷۰+ تا ۱٫۰۰+ باشد (مثلا ۰٫۸۵+)، نشان‌دهنده یک رابطه خطی مثبت بسیار نیرومند است. یعنی با رشد بازدهی یکی، بازدهی دیگری با احتمال بسیار بالا افزایش می‌یابد. دسته‌بندی عمومی شدت ضرایب مثبت به شرح زیر است:

• ۰٫۷۰+ تا ۱٫۰۰+: همبستگی مثبت قوی
• ۰٫۳۰+ تا ۰٫۷۰+: همبستگی مثبت متوسط
• ۰ تا ۰٫۳۰+: همبستگی مثبت ضعیف

۳. ضریب نزدیک به صفر؛ رابطه خطی ضعیف یا نامشخص: اگر به عنوان مثال ضریب معادل ۰٫۰۸+ باشد، همبستگی خطی بسیار ناچیزی وجود دارد. ضریب صفر نشان‌دهنده نبود پیوستگی خطی است اما وجود پیوندهای غیرخطی را رد نمی‌کند، بنابراین نباید دو ارز دیجیتال را صرفا به دلیل ثبت این عدد، بی‌ارتباط به شمار آورد.

۴. اعداد نزدیک ۱-؛ همبستگی منفی قوی: اگر مقدار ضریب در بازه ۰٫۷۰- تا ۱٫۰۰- قرار گیرد (مانند ۰٫۸۲-)، رابطه خطی منفی قدرتمندی میان دارایی‌ها حاکم است. افزایش بازدهی یکی معمولا با افت دیگری هم‌زمان می‌شود که این وضعیت ابزاری کارآمد برای طراحی استراتژی‌های پوشش ریسک (Hedging) است.

۵. ضریب ۱-؛ همبستگی منفی کامل: مقدار ۱- بیانگر رابطه معکوس کامل روی یک خط راست است. در این وضعیت خیالی، رفتار یک دارایی درست قرینه حرکت دارایی دیگر خواهد بود؛ حالتی که در داده‌های عینی بازار ارزهای دیجیتال عملا اتفاق نمی‌افتد.

به یاد داشته باشید که این شاخص آماری صرفا تاریخچه رفتاری دارایی‌ها را در بازه معین گذشته توصیف می‌کند و هرگز پیش‌بینی‌کننده قطعی روند آتی یا اثبات‌کننده رابطه علت و معلولی میان آن‌ها نیست.

فرمول ریاضی و نحوه محاسبه گام‌به‌گام همبستگی میان دو جفت‌ارز بر اساس داده‌های تاریخی قیمت

برای محاسبه ضریب همبستگی پیرسون بین دو جفت‌ارز، از فرمول ریاضی زیر استفاده می‌شود که در آن کوواریانس بازدهی دارایی‌ها بر حاصل‌ضرب انحراف معیارهای آنها تقسیم می‌گردد:

r = Cov(X,Y) / (SD(X) * SD(Y))

اجزای این فرمول کاربردی عبارت‌اند از:

• r: ضریب همبستگی پیرسون که همواره عددی بین ۱- تا ۱+ است.
• Cov(X,Y): کوواریانس بازدهی جفت‌ارز اول (X) و (Y) جفت‌ارز دوم.
• SD(X): انحراف معیار بازدهی جفت‌ارز اول که میزان پراکندگی نوسانات آن حول میانگین را نشان می‌دهد.
• SD(Y): انحراف معیار بازدهی جفت‌ارز دوم در همان دوره تاریخی.

برای پیاده‌سازی این فرمول و دستیابی به خروجی نهایی، چهار گام متوالی زیر طی می‌شوند:

گام اول: محاسبه بازدهی قیمت

ابتدا باید تغییرات قیمتی جفت‌ارزها در هر دوره به درصد بازدهی تبدیل شوند تا مقیاس عددی قیمت‌ها خنثی شود:

بازدهی = (قیمت جدید – قیمت قبلی) / قیمت قبلی

برای مثال اگر قیمت یک دارایی از ۱۰۰ واحد به ۱۰۵ واحد برسد، بازدهی به این صورت به دست می‌آید:

بازدهی = (۱۰۵ – ۱۰۰) / ۱۰۰ = ۰٫۰۵

این عدد نشان‌دهنده ۵ درصد بازدهی مثبت برای آن دوره است.

گام دوم: محاسبه میانگین بازدهی

پس از ثبت بازدهی تمام دوره‌های تحت بررسی، میانگین حسابی آن‌ها استخراج می‌شود:

میانگین بازدهی = مجموع بازدهی‌های تمام دوره‌ها / تعداد کل دوره‌ها

گام سوم: محاسبه فاصله از میانگین (انحراف)

در این بخش، برای هر دوره زمانی، بازدهی همان دوره از میانگین به دست آمده کم می‌شود تا انحراف دارایی مشخص شود:

انحراف = بازدهی هر دوره – میانگین بازدهی

این تفریق باید به طور مجزا برای هر دو جفت‌ارز انجام شود.

گام چهارم: محاسبه ضریب همبستگی

در پایان، انحراف‌های دو دارایی بررسی شده و با ضرب در یکدیگر و میانگین‌گیری، کوواریانس به دست می‌آید. سپس با تقسیم کوواریانس بر ضرب انحراف معیارها، ضریب پیرسون حاصل می‌شود؛ به بیان ساده:

همبستگی = میزان حرکت مشترک دو جفت‌ارز / میزان کل پراکندگی نوسانات آنها

محاسبه همبستگی دو جفت‌ارز بر اساس داده‌های تاریخی قیمت

فرض کنید می‌خواهیم همبستگی قیمتی جفت‌ارزهای BTC/USDT و ETH/USDT را در پنج روز متوالی بسنجیم. قیمت‌های تاریخی ثبت‌شده در جدول زیر مشخص شده‌اند:

در تحلیل‌های حرفه‌ای بازار، به جای پنج داده فرضی، از بازه‌های چندماهه با صدها مشاهده استفاده می‌شود تا خطای تصادفی به حداقل برسد.

گام اول: محاسبه بازدهی روزانه

ابتدا نوسانات قیمت هر روز کاری را نسبت به روز گذشته به نرخ بازدهی تبدیل می‌کنیم:

محاسبات بازدهی BTC:

• روز ۲: (۱۰۵ – ۱۰۰) / ۱۰۰ = ۰٫۰۵۰۰
• روز ۳: (۱۰۲ – ۱۰۵) / ۱۰۵ = -۰٫۰۲۸۶
• روز ۴: (۱۰۸ – ۱۰۲) / ۱۰۲ = ۰٫۰۵۸۸
• روز ۵: (۱۱۰ – ۱۰۸) / ۱۰۸ = ۰٫۰۱۸۵

محاسبات بازدهی ETH:

• روز ۲: (۵۲ – ۵۰) / ۵۰ = ۰٫۰۴۰۰
• روز ۳: (۵۱ – ۵۲) / ۵۲ = -۰٫۰۱۹۲
• روز ۴: (۵۴ – ۵۱) / ۵۱ = ۰٫۰۵۸۸
• روز ۵: (۵۵ – ۵۴) / ۵۴ = ۰٫۰۱۸۵

جدول داده‌های آماده‌شده بازدهی به این شکل سازماندهی می‌شود:

 گام دوم: محاسبه میانگین بازدهی

مجموع بازدهی‌های چهار دوره را برای هر دارایی به دست آورده و حاصل را بر عدد چهار تقسیم می‌کنیم:

میانگین بازدهی BTC = (۰٫۰۵۰۰ – ۰٫۰۲۸۶ + ۰٫۰۵۸۸ + ۰٫۰۱۸۵) / ۴ ≈ ۰٫۰۲۴۷

میانگین بازدهی ETH = (۰٫۰۴۰۰ – ۰٫۰۱۹۲ + ۰٫۰۵۸۸ + ۰٫۰۱۸۵) / ۴ ≈ ۰٫۰۲۴۵

گام سوم: محاسبه انحراف از میانگین

در این مرحله، رقم بازدهی هر دوره را از عدد میانگین کسر می‌کنیم. به عنوان نمونه برای دوره اول:

انحراف BTC در دوره ۱: ۰٫۰۵۰۰ – ۰٫۰۲۴۷ = ۰٫۰۲۵۳+

انحراف ETH در دوره ۱: ۰٫۰۴۰۰ – ۰٫۰۲۴۵ = ۰٫۰۱۵۵+

این تفریق برای دوره‌های بعدی نیز تکرار می‌شود تا نوسان هر روز نسبت به خط تعادل مشخص گردد.

گام چهارم: بررسی حرکت مشترک

در این گام، علامت انحراف‌های دو دارایی با هم مقایسه می‌شوند. در دوره اول، هر دو مقدار مثبت هستند (۰٫۰۲۵۳+ و ۰٫۰۱۵۵+) که نشان‌دهنده رشد هم‌زمان نسبت به میانگین است. در دوره دوم نیز هر دو مقدار منفی ثبت شده‌اند که نشان‌دهنده افت هم‌زمان است. این هم‌علامت بودن در بیشتر مشاهدات گواهی می‌دهد که حرکات دو دارایی در این دوره کاملا هم‌سو بوده است.

گام پنجم: محاسبه ضریب همبستگی

پس از محاسبه کوواریانس و ضرب انحراف استانداردها و اجرای فرمول پیرسون، ضریب نهایی به شرح زیر حاصل می‌شود:

r ≈ ۰٫۹۸+

گام ششم: تفسیر نتیجه

مقدار ۰٫۹۸+ به دست آمده بسیار نزدیک به ۱+ است و نشان می‌دهد که در این داده‌های پنج‌روزه، دو جفت‌ارز BTC/USDT و ETH/USDT همبستگی مثبت بسیار مستحکمی را تجربه کرده‌اند. با وجود این، ضریب ۰٫۹۸ به معنای انطباق دائمی و صددرصدی در آینده نیست؛ بلکه صرفا وضعیت گذشته داده‌ها را در این نمونه زمانی توصیف می‌کند.

ابزارها، اندیکاتورها و سایت‌های تخصصی برای اندازه‌گیری و مشاهده ماتریس همبستگی بازار ارزهای دیجیتال

انجام محاسبات دستی برای ده‌ها ارز در طول صدها روز کاری غیرممکن است؛ ازاین‌رو معامله‌گران از اندیکاتورهای تحلیلی، داشبوردهای داده و پلتفرم‌های تخصصی استفاده می‌کنند. پیش از استفاده از این سامانه‌ها، باید بررسی شود که داده‌ها بر پایه قیمت بسته شدن است یا بازدهی، محاسبات در چه تایم‌فریمی انجام می‌گیرد و بازه تاریخی چند روزه است؛ چرا که تغییر این معیارها خروجی نهایی را دگرگون می‌سازد.

۱. تریدینگ ویو؛ گزینه مناسب برای تحلیل تکنیکال و ماتریس همبستگی

سامانه کاربردی تریدینگ ویو (TradingView) یکی از بهترین گزینه‌ها برای مشاهده مستقیم ضرایب روی نمودارهای مالی است. در بخش اندیکاتورها و اسکریپت‌های تحلیلی، ابزارهای ویژه‌ای برای رسم ماتریس همبستگی تعبیه شده است که به معامله‌گر اجازه می‌دهد روابط خطی میان فهرستی از ارزهای منتخب را در کنار نمودار بررسی کند. همچنین اسکریپت‌های اختصاصی هیت‌مپ همبستگی به شما امکان می‌دهند بازه زمانی گذشته را تغییر داده و ضرایب بهینه‌شده را بلافاصله مشاهده نمایید.

۲. هیت‌مپ همبستگی؛ مشاهده سریع روابط بازار

نقشه حرارتی یا هیت‌مپ یکی از محبوب‌ترین ابزارهای بصری است که داده‌های عددی ماتریس را به شکل یک جدول رنگی نمایش می‌دهد. هر خانه از جدول نشان‌دهنده ضریب همبستگی میان دو دارایی مشخص است که با رنگ‌های استاندارد (طیف‌های سبز برای همبستگی‌های مثبت و طیف‌های قرمز برای ضرایب منفی) کدگذاری شده‌اند. این روش به معامله‌گر اجازه می‌دهد در چند ثانیه ارزهای دارای رفتار مشترک یا مستقل را شناسایی کند.

۳. ابزار تحلیل بین‌بازاری Asset Class Correlation Matrix

این اندیکاتور در محیط تحلیلی نمودارها به فعالان بازار اجازه می‌دهد ماتریس همبستگی را میان بازارهای گوناگون از جمله ارزهای دیجیتال، سهام، فارکس و کالاها رسم کنند. این امکان برای رصد پیوند بازدهی بیت‌کوین و اتریوم با شاخص دلار یا نرخ طلا اهمیت زیادی دارد. در نسخه‌های پیشرفته این ابزار، محاسبات بر پایه بازدهی واقعی انجام می‌شود که نشان‌دهنده تحولات ساختاری واقعی بازار است.

۴. کوین‌گلس (CoinGlass)؛ مناسب برای ترکیب همبستگی با داده‌های بازار

سامانه تحلیلی CoinGlass در اصل برای بررسی قراردادهای باز، نرخ‌های تامین مالی و داده‌های بازار مشتقه شناخته می‌شود، اما در کنار این اطلاعات، داشبوردهای ویژه‌ای برای تحلیل همبستگی بیت‌کوین ارائه می‌دهد. به کمک این داده‌ها می‌توان همبستگی بیت‌کوین با شاخص‌های بازار سنتی نظیر S&P 500 یا صندوق‌های طلا را به صورت سری زمانی مشاهده کرد که برای رصد جریان‌های سرمایه‌گذاری کلان بسیار ارزشمند است.

۵. کوین متریکس (Coin Metrics)؛ ابزار تحلیل داده‌های تاریخی عمیق

سرویس داده‌محور Coin Metrics، ارائه‌دهنده شاخص‌های تخصصی و آمارهای عمیق درون‌شبکه‌ای است. این پایگاه شاخص‌های چنددارایی متنوع نظیر CMBI ۱۰ را تدوین کرده و از طریق رابط‌های نرم‌افزاری (API)، داده‌های تاریخی جفت‌ارزها را در دسترس می‌گذارد. معامله‌گرانی که به دنبال ساخت مدل‌های ماتریسی اختصاصی یا اجرای محاسبات آماری پیشرفته با ابزارهایی نظیر پایتون هستند، می‌توانند با تکیه بر این داده‌ها ضرایب همبستگی را استخراج کنند.

استراتژی‌های معاملاتی مبتنی بر همبستگی؛ آربیتراژ آماری، جفت‌ارزهای متضاد و هج کردن پوزیشن‌ها در معاملات تعهدی و معاملات اسپات

آگاهی از ضرایب همبستگی جفت‌ارزها، پایه‌ای محکم برای اجرای استراتژی‌های معاملاتی حرفه‌ای فراهم می‌کند:

• آربیتراژ آماری و معاملات جفت‌ارزهای متضاد (Pairs Trading): در این شیوه، معامله‌گر دو دارایی را شناسایی می‌کند که از نظر تاریخی همبستگی بسیار بالا و فاصله قیمتی مشخصی با یکدیگر داشته‌اند. هنگامی که این فاصله به دلایل زودگذر بازاری از الگوی تاریخی خارج شود، معامله‌گر با خرید دارایی جامانده و فروش دارایی گران‌تر، روی بازگشت این فاصله به تعادل تاریخی معامله می‌کند. البته برای اطمینان از اعتبار رابطه، بررسی هم‌انباشتگی نیز ضروری است.
• پوشش ریسک در معاملات اسپات و تعهدی: در بازار اسپات، می‌توان از دارایی‌های دارای همبستگی منفی برای خنثی‌سازی تکانه‌ها استفاده کرد. در بازار تعهدی نیز می‌توان پوزیشن خرید موجود در اسپات را با باز کردن یک پوزیشن فروش تعهدی معادل روی دارایی همبسته هج کرد تا سود پوزیشن فروش، زیان بازار اسپات را پوشش دهد.
• مهار هزینه‌های اجرایی: عواملی نظیر نرخ تامین مالی (Funding Rate)، کارمزدها و پدیده اسلیپیج می‌توانند نتیجه این استراتژی‌ها را دستخوش تغییر کنند. لغزش قیمت در زمان ثبت سفارش ممکن است سود آربیتراژ آماری را بسوزاند؛ بنابراین همبستگی باید به عنوان ابزار مدیریت ریسک به کار رود و نه صرفاا یک سیگنال مستقل خرید یا فروش.

خطاهای رایج در تحلیل همبستگی؛ ناپایداری ضرایب در بازه‌های زمانی مختلف و اثر شوک‌های بازار بر صفحات قیمت لحظه‌ای ارزهای دیجیتال

تحلیل نادرست همبستگی می‌تواند به تصمیم‌گیری‌های زیان‌بار منتهی شود. فعالان بازار معمولا با سه اشتباه بنیادین روبه‌رو می‌شوند:

• خطای اول؛ ایستا دانستن ضرایب تاریخی: بزرگ‌ترین اشتباه این است که معامله‌گر ضریب همبستگی را یک عدد همیشگی بداند. در بازار، رابطه میان دارایی‌ها در بستر زمان تغییر می‌کند؛ ضریبی که در یک ماه ۰٫۲ ثبت شده، ممکن است در بازه شش‌ماهه به بالای ۰٫۸ برسد.
• خطای دوم؛ اکتفا به شرایط آرام و غفلت از شوک‌ها: اخبار کلان اقتصادی، بحران‌های اعتباری یا تغییر ناگهانی تمایلات سرمایه‌گذاران می‌تواند رفتار دارایی‌ها را هم‌پوشان سازد. در فازهای بحرانی و فرار از ریسک، همبستگی میان دارایی‌ها به طور ناگهانی به سمت یک صعود می‌کند و ساختار تنوع سبد به هم می‌ریزد.
• خطای سوم؛ تکیه بر قیمت لحظه‌ای: مشاهده تابلوهای قیمت لحظه‌ای به تنهایی برای نتیجه‌گیری کافی نیست. بهتر است معامله‌گر همبستگی را در چند پنجره زمانی به صورت غلتان بسنجد و آزمون‌های تنش مالی (Stress Testing) را اجرا کند تا در مواجهه با نوسانات بزرگ غافلگیر نشود.

سوالات متداول

ضریب همبستگی قیمت چیست و چه کاربردی در بازار دارد؟

این ضریب معیاری آماری است که شدت و جهت حرکت هماهنگ بازدهی دو دارایی را در بازه بین ۱- تا ۱+ تعیین می‌کند و برای مهار ریسک سبد به کار می‌رود.

تفاوت همبستگی مثبت و منفی میان جفت‌ارزها چیست؟

همبستگی مثبت نشان‌دهنده حرکت هم‌جهت دو دارایی است، در حالی که همبستگی منفی بیانگر نوسان معکوس و متضاد بازدهی آن‌ها در طول زمان است.

چرا در محاسبه ضریب پیرسون به جای قیمت، از بازدهی دارایی‌ها استفاده می‌شود؟

زیرا تفاوت در مقیاس قیمت دارایی‌ها،در این خطای تحلیلی ایجاد می‌کند، اما بازدهی درصدی مقایسه‌ای استاندارد از رفتار مشترک ارائه می‌دهد.